1. Sesgos Cognitivos, Falacias y Leyes a Evitar

Trampas mentales, errores de razonamiento y leyes que impactan toma de decisiones en tecnología, producto y negocio.

1.1 🧠 ¿Por qué importan los Sesgos?

Qué: Atajos mentales (heurísticos) que sistemáticamente desvían el juicio de la racionalidad.

Por qué: Todos tenemos sesgos. Reconocerlos previene malas decisiones en producto, inversión, arquitectura y management.

Quién: Product Managers, founders, investors, developers, leaders.

Cuándo: Diseño de producto, decisiones de inversión, evaluación de performance, priorización.

Cómo: Awareness, procesos estructurados, devil's advocate, datos sobre intuición.

Costo: Un sesgo no detectado puede costar millones en producto fallido o inversión perdida.

1.2 📐 Leyes Fundamentales en Tecnología

💡 Patrón anti-sesgo: Implementar "pre-mortem" antes de cada release: "Es 3 meses después, el feature falló. ¿Por qué?"

1.3 🎯 Sesgos de Decisión y Juicio

1.4 📊 Sesgos en Datos y Análisis

1.5 👥 Sesgos Sociales y de Grupo

1.6 🔍 Sesgos Perceptuales y de Evaluación

1.6.1 Sesgos Adicionales de Percepción y Memoria

1.7 ⚖️ Falacias Lógicas Críticas

1.8 ⚠️ Leyes y Efectos Paradójicos

1.9 📊 Sesgos en Data Science y ML

1.9.1 Ejemplo de Código Anti-Sesgo en ML

# Mitigación de sesgos en pipeline de ML

# 1. Survivorship Bias: Incluir usuarios churned
df = load_full_cohort(include_churned=True)

# 2. Base Rate: Siempre reportar métricas por clase
from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))

# 3. Fairness Audits pre-deploy
from aif360 import metrics
fairness_metric = metrics.ClassificationMetric(
    dataset_true, dataset_pred,
    unprivileged_groups=[{'gender': 0}],
    privileged_groups=[{'gender': 1}]
)
print(f"Disparate Impact: {fairness_metric.disparate_impact()}")

# 4. Selection Bias: Muestreo estratificado
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
    X, y, stratify=y, test_size=0.2
)

1.10 🛡️ Estrategias de Mitigación

1.10.1 1. Pre-Mortem

Qué: Antes de decidir, asumir que falló y explicar por qué.

When: Planning de proyectos, decisiones arquitectónicas grandes.

How:

1. "Es un año después, el proyecto falló. ¿Por qué?"
2. Equipo genera razones de fallo
3. Mitigar top 3 razones identificadas

1.10.2 2. Red Team / Devil's Advocate

Qué: Asignar persona/equipo para atacar plan.

When: Decisiones críticas, cambios arquitectónicos.

How: Rotar rol, requiere argumentos contra con evidencia, no solo opinión.

1.10.3 3. Decision Journal

Qué: Documentar decisiones antes de conocer outcomes.

How: Registrar:

• Decisión tomada
• Razones y contexto
• Expectativas y predicciones
• Alternativas consideradas
• Métricas de éxito

1.10.4 4. Checklists Anti-sesgos

What: Forzar considerar múltiples factores antes de decidir.

How: Checklist pre-decisión con preguntas desafiantes (ver abajo).

1.10.5 5. Diverse Teams

Qué: Equipos heterogéneos cuestionan assumptions.

How: Diversidad cognitiva, backgrounds, experiencias, perspectivas.

1.10.6 6. Base Rates First

Qué: Siempre empezar con probabilidad base.

How: "De 100 startups similares, ¿cuántos tienen éxito?" antes de evaluar caso específico.

1.10.7 7. Prospective Hindsight

Qué: Imaginar futuro como si fuera pasado.

How: "Es 2026, ¿cómo llegamos aquí?" más concreto que "¿Qué haremos?"

1.10.8 8. Blind Reviews

Qué: Evaluaciones sin conocer identidad del autor.

How: Anonymous RFCs, code reviews ciegos, evaluaciones de candidatos sin CV.

1.10.9 9. Calibration Sessions

Qué: Comparar predicciones con resultados reales.

How: Mensual, comparar estimaciones vs real en retrospectivas.

1.10.10 10. Multiple Perspectives

Qué: Analizar desde diferentes ángulos.

How: Framing positivo y negativo, diferentes stakeholders, múltiples métricas.

1.11 🚫 Señales de Alerta: Cómo Reconocer Estás Sesgado

1.11.1 Red Flags Cognitivas (Individual)

• ❌ Buscar solo evidencia que confirme tu creencia
• ❌ Justificar decisión post-hoc (racionalizando)
• ❌ "Todos piensan como yo" (sin verificar)
• ❌ Decisión rápida sin considerar alternativas
• ❌ Emocional ante cuestionamiento de idea
• ❌ "Esto es diferente" (special pleading)
• ❌ Ignorar base rates históricos
• ❌ No documentar predicciones antes de saber resultado

1.11.2 Red Flags en Equipos

• ❌ Groupthink - consenso rápido sin debate
• ❌ Síndrome del "not invented here"
• ❌ Cultura de "siempre lo hicimos así"
• ❌ Falta de diversidad cognitiva
• ❌ Miedo a experimentar o fallar
• ❌ Decisiones basadas en HiPPO (Highest Paid Person's Opinion)

1.12 ✅ Checklist Anti-Sesgos

Antes de decisión importante:

• [ ] Pre-mortem: ¿Por qué podría fallar esta decisión?
• [ ] Devil's advocate: ¿Qué argumentos hay en contra?
• [ ] Base rate: ¿Cuál es probabilidad histórica de éxito en casos similares?
• [ ] Alternativas: ¿Consideré mínimo 3 opciones diferentes?
• [ ] Diverse input: ¿Consulté perspectivas de diferentes roles/experiencias?
• [ ] Decision journal: ¿Documenté razones, expectativas y métricas de éxito?
• [ ] Reversibilidad: ¿Es reversible? ¿Puedo testear pequeño primero?
• [ ] Data vs intuition: ¿Tengo datos objetivos o solo "gut feeling"?
• [ ] Incentivos: ¿Qué comportamientos podría incentivar esta decisión (explícita e implícitamente)?
• [ ] Future regret: ¿De qué me podría arrepentirme en 6 meses?
• [ ] Framing: ¿Analicé desde perspectivas positiva y negativa?
• [ ] Sunk cost: ¿Estoy decidiendo por valor futuro o por inversión pasada?

1.13 🎯 Template para RFCs Anti-Sesgo

## [RFC-XXX] Título de la Decisión Técnica

### Contexto
[Descripción del problema y contexto]

### Hipótesis
[Qué creemos que mejorará y por qué]

### Base Rates
[Datos históricos relevantes de decisiones similares]

### Alternativas Consideradas
1. **Opción A:** [Pros/Cons]
2. **Opción B:** [Pros/Cons]
3. **Opción C:** [Pros/Cons]

### Decisión Propuesta
[Opción elegida y justificación]

### Pre-mortem
[¿Por qué podría fallar esta decisión?]
1. Riesgo 1 y mitigación
2. Riesgo 2 y mitigación
3. Riesgo 3 y mitigación

### Métricas de Éxito
[Cómo mediremos si funcionó]
- Métrica 1: [valor actual] → [valor objetivo]
- Métrica 2: [valor actual] → [valor objetivo]

### Criterios de Reversión
[En qué condiciones revertiremos la decisión]

### Reversibilidad
- [ ] Reversible (Type 2 decision)
- [ ] Irreversible (Type 1 decision)

### Timeline
[Cuándo implementar, cuándo evaluar]

1.14 🎯 Casos Prácticos en Tecnología

1.14.1 Caso 1: Migración de Monolito a Microservicios

Sesgos detectados:

• Optimismo en estimaciones (Planning Fallacy)
• Anclaje a arquitectura anterior
• Aversión a pérdida de control centralizado
• Social proof ("todos usan microservicios")

Estrategia anti-sesgo aplicada:

# Enfoque basado en datos, no opiniones
def migration_strategy():
    # 1. Medir métricas base
    baseline = measure_monolith_metrics()

    # 2. Pre-mortem documentado
    risks = document_failure_scenarios()

    # 3. Piloto con límites claros
    pilot = run_pilot(
        service="payment_processing",
        max_duration="6 weeks",
        rollback_criteria=[
            "latency_increase > 20%",
            "error_rate > 1%"
        ]
    )

    # 4. Decisión basada en datos
    return decide_based_on(pilot.metrics, baseline, risks)

1.14.2 Caso 2: Selección de Framework para IA

Sesgos evitados:

• Efecto halo por hype (ej: "todos usan PyTorch")
• Autoridad (opinión de un senior sin pruebas)
• Falso consenso ("todos en el equipo están de acuerdo")

Proceso seguido:

1. Definir requisitos técnicos específicos (latencia, escalabilidad, habilidades del equipo)
2. Ejecutar benchmarks objetivos con datos reales
3. Calcular TCO (Total Cost of Ownership) incluyendo mantenimiento
4. Documentar decisión en RFC con pre-mortem incluido

1.14.3 Caso 3: Priorización de Features con RICE

Sesgos mitigados:

• Voz del cliente ruidosa (un cliente enterprise pide feature compleja)
• Sunk cost en features
• Efecto de encuadre

Framework aplicado:

def rice_score(feature):
    """
    RICE = (Reach × Impact × Confidence) / Effort
    """
    reach = estimate_users_affected()  # Usuarios impactados
    impact = estimate_impact_per_user()  # 0.25, 0.5, 1, 2, 3
    confidence = estimate_confidence()  # 0-100%
    effort = estimate_person_months()

    return (reach * impact * confidence) / effort

1.15 📚 Recursos

1.15.1 Libros Fundamentales

• Thinking, Fast and Slow - Daniel Kahneman - Fundamentos de sesgos cognitivos
• Predictably Irrational - Dan Ariely - Economía del comportamiento
• The Art of Thinking Clearly - Rolf Dobelli - 99 sesgos explicados
• Thinking in Bets - Annie Duke - Tomar decisiones bajo incertidumbre
• The Psychology of Computer Programming - Gerald Weinberg - Sesgos en desarrollo de software
• Weapons of Math Destruction - Cathy O'Neil - Ética en algoritmos

1.15.2 Recursos Online

• Wikipedia: List of Cognitive Biases
• Farnam Street - Mental Models
• ML Checklist by Google
• Awesome Cognitive Bias
• Decision Journal Template

1.16 💡 Clave para Semi-Seniors

Reconocer sesgos y falacias no es teoría abstracta: es lo que evita bugs estratégicos en producto, arquitectura y negocio.

Los mejores tech leads y PMs no son los que no tienen sesgos (todos los tenemos), sino los que:

1. Reconocen sus propios sesgos
2. Implementan procesos para mitigarlos
3. Crean cultura donde cuestionar assumptions es valorado
4. Deciden con datos sobre intuición cuando es posible
5. Documentan decisiones para aprender de aciertos y errores